Aplicação de aprendizado de máquina em exames de ECG - Holter para a detecção de dispositivos cardíacos implantáveis e arritmias.
Data
2023-01-05
Autores
Santos, Paulo Henrique Marques de Souza Correia dos 
Orientadores
Berton, Lilian
Tipo
Trabalho de conclusão de curso
Título da Revista
ISSN da Revista
Título de Volume
Resumo
Cardiac arrhythmias affect a large portion of the world’s population, causing more than 300,000 deaths a year in Brazil. Several arrhythmias can be detected by electrocardiogram, making its application very important nowadays. This work applied the Support Vector Machine (SVM), Naive Bayes, k-Nearest Neighbors (kNN), Decision Tree and Multilayer Perceptron (MLP) methods to detect cardiac arrhythmias
and use of implantable cardiac devices, such as pacemakers and internal cardioverter defibrillators. the dataset was obtained from tables with information about the electrocardiogram. The evaluation metrics were accuracy, precision, sensitivity, specificity and F-Score. For the detection of diseases, the decision tree and multilayer Perceptron classifiers obtained better results, with F-scores of 67.7% and
74.2%, while for the detection of implantable devices the best evaluated were the
decision tree and kNN, with F-scores of 91.8% and 92.8%, respectively.
As arritmias cardíacas atingem uma grande parcela da população mundial, ocasionando mais de 300 mil mortes ao ano no Brasil. Varias arritmias podem ser detectadas por eletrocardiograma, tornando a sua aplicação muito importante para os dias atuais. Este trabalho aplicou os métodos de Support Vector Machine (SVM), Naive Bayes, k-Nearest Neighbors (kNN), árvore de decisão e Multilayer Perceptron (MLP) para detectar arritmias cardíacas e uso de dispositivos cardíacos implantáveis, como marcapasso e cardiodesfibriladores internos. O dataset foi obtido de tabelas com informações sobre o eletrocardiograma. As métricas de avaliação foram a acurácia, precisão, sensibilidade, especificidade e F-Score. Para a detecção das doenças, os classificadores árvore de decisão e multilayer Perceptron obtiveram melhores resultados, com F-score de 67.7% e 74.2%, respectivamente, enquanto para a detecção de dispositivos implantáveis os mais bem avaliados foram a árvore de decisão e o kNN, com F-score de 91.8% e 92.8%, respectivamente.
As arritmias cardíacas atingem uma grande parcela da população mundial, ocasionando mais de 300 mil mortes ao ano no Brasil. Varias arritmias podem ser detectadas por eletrocardiograma, tornando a sua aplicação muito importante para os dias atuais. Este trabalho aplicou os métodos de Support Vector Machine (SVM), Naive Bayes, k-Nearest Neighbors (kNN), árvore de decisão e Multilayer Perceptron (MLP) para detectar arritmias cardíacas e uso de dispositivos cardíacos implantáveis, como marcapasso e cardiodesfibriladores internos. O dataset foi obtido de tabelas com informações sobre o eletrocardiograma. As métricas de avaliação foram a acurácia, precisão, sensibilidade, especificidade e F-Score. Para a detecção das doenças, os classificadores árvore de decisão e multilayer Perceptron obtiveram melhores resultados, com F-score de 67.7% e 74.2%, respectivamente, enquanto para a detecção de dispositivos implantáveis os mais bem avaliados foram a árvore de decisão e o kNN, com F-score de 91.8% e 92.8%, respectivamente.